論人工智能之深度學習與人類學習的異同

蔣萬勝，田 姿

（陜西師范大學 馬克思主義學院，陜西 西安 710119）

人類智能是目前公認的高級智能，因此以機器模擬和學習人類智能是當前人工智能的重要內容和目標。在為機器不斷賦能的過程中，機器學習從淺度學習發展到深度學習新階段，取得了一系列突破。深度學習擴大了計算機視覺、生物特征識別、文字處理等技術應用，不僅影響政治、經濟、文化等領域，而且影響到人類學習。它從微觀上改變著人類學習活動，為增強人類學習能力，反思自身學習方法提供鏡鑒。學習根本上是人在勞動中形成的，恩格斯曾指出，因為勞動使得人體不斷適應環境，帶來了肌肉、韌帶等機體的發展，出現了人手，然后“魔力似地產生了拉斐爾的繪畫、托瓦德森的雕刻以及帕格尼尼的音樂”[1]552。事實上，人類一直在探索關于知識與學習的奧秘，例如，柏拉圖的“洞喻”“回憶說”；洛克的“白板說”等，都是人類對自身認知和學習能力的理論探求。在洞喻觀點看來，知識存在于先驗的理念世界，只有接受教育，通過后天的學習才能激活這種知識，并走出洞穴接受新知識，發現洞穴之外的世界，白板說主張認識來源于經驗，人一出生心靈只是一張白紙，后天的學習與經驗積累讓這張白紙有了內容。人工智能就是不斷賦予機器學習能力，深度學習則進一步使機器實現對人感知能力的部分模仿以及在有限程度上對抽象思維和審美創造力的模仿。值得關注的是，深度學習與人類學習是共通互鑒的關系，研究深度學習可以很好地為人類學習克服自身局限提供啟示，豐富人類學習對象、學習目標和學習方法，提高人類學習活動智能性并激發人類對學習活動的更多思考，進一步探索人類智能的奧秘。

一、深度學習的出現及其特征

人類在為機器不斷賦能的過程中，推動機器學習從淺度學習發展到深度學習新階段。深度神經網絡是當前支撐人工智能技術進步的重要基礎，推動深度學習取得一系列突破并成為人工智能技術的核心，這些突破蘊藏于深度學習具備的6 個新特征之中。深度學習的出現不僅反映了人類利用、發明和改造機器的智慧，而且反過來對人類社會產生重要影響，改變人類社會生活方式。同時，在對人類社會的多領域滲透中，深度學習日益嵌入人類的認識方式和思維模式中，影響和改變著人類的學習活動。

（一）深度學習的發展歷程

淺度學習是深度學習的起源和前身，二者共同緣起于人類讓機器模擬生物神經網絡的偉大構想。從理論發展的階段性進展和技術取得的突破性進展綜合考量，可以說，1965年以前機器學習處于淺度學習階段，其后便進入深度學習新階段。1943年麥卡洛克（Warren McCulloch）和皮茨（Walter Pitts）共同提出形式神經元模型，即M-P模型，這是首個通過模仿生物神經元而形成的模型，實現了對人腦神經網絡的物理模擬，開啟了人類研究生物神經網絡的序幕，啟發人們發現生物大腦的神經元特點，包括突觸、脈沖等。1949年，加拿大心理學家赫布在《行為的組織》書中提出了一種基于無監督學習的海布學習規則（Hebb Rule），由這一規則建立的網絡模型能夠針對數據集進行大量訓練并提取特征，進而把樣本分類從而達到學習。但這種分類方式仍舊是理論設想，且往往是線性的，很難將樣本的特征統一在同一維度，所提取的特征不具有普遍性，學習效果不佳。1958 年，羅森布拉特（Rosenblatt）提出了感知機（Perceptron），使人工神經網絡開始有了簡單的學習能力，能通過訓練自動確定參數并修正誤差，提高了理論構想和技術模型水平。這一模型是由兩層神經元組成的線性模型，可以對輸入的訓練集進行二元分類并自動更新權值，帶來了技術創新的突破口，但也面臨線性不可分、層級不高、特征提取不具有普遍性的困境。淺度學習的技術力量還不足以解決其面臨的理論困境和技術難題。由此，神經網絡模型沿著深層化、高維度發展。

1965 年，烏克蘭數學家伊瓦赫年科（Alexey Grigorevich Ivakhnenko）為有監督的多層人工神經網絡（ANNs）搭建了第一個通用工作學習算法，建立起多個神經網絡相互堆疊的架構，這一架構與今天的深度學習神經網絡架構具有一致性。1969年，人工智能之父明斯基（Marvin Minsky） 和派珀特（Seymour Papert）在合著的《感知器》（Perceptrons）一書中揭示了早期感知機無法解決線性不可分問題。1986年，辛頓提出了反向傳播算法（Backpropagation algorithm，簡稱BP算法），在傳統神經網絡正向傳播的基礎上增加了誤差的反向傳播，使得神經元之間能夠不斷調整誤差到最小范圍以解決此前的線性不可分問題，由此催生了包括輸入層、輸出層、隱藏層的多層感知機（MLP，全稱Multilayer Perceptron）。2006年，辛頓重啟深度學習模型的使用，為提高深度學習模型的訓練速度，他發明了一種新算法，即在使用反向傳播之前，用“深度信念網絡”先對模型進行預訓練，進一步提高了機器學習的精確度和可靠性，這一嘗試再次向全世界推廣了深度學習。2012 年，辛頓的學生莎士科爾（IIya Sutskever）及其團隊在圖像分類比賽ImageNet 中使用深度學習打敗了谷歌（Google）團隊，此后深度學習蓬勃發展，取得一系列具有變革性意義的成果，展現了深度學習的強大智能性，深刻改變了世界面貌。

可見，1965年之前，深度學習孕育著理論準備和技術構想，但面臨著大量理論問題和技術困境，處于緩慢發展的初期階段。從1965年深度學習誕生到1986年反向傳播算法出現，深度學習不斷克服新問題取得新突破，使1965年成為了機器學習發展階段的歷史轉折點，機器學習由淺度學習走向了深度學習。而這一跨越式發展的實現標志就在于神經網絡層級的加深，深度學習出現以前，網絡層級只有3到5層的可以劃歸到“淺度（淺層）學習”，而具有7 到10 層或者更多的網絡層級數則屬于“深度學習”[2]。因而，我們可以將神經網絡層級在6級及以下只有幾個神經元組合的時期看作淺度學習階段，高于6 級甚至未來能達到十幾或幾十、幾百的神經網絡層級的時期看做深度學習階段。

（二）深度學習的基本特征

機器學習取得重大突破、邁進深度學習階段，呈現出六個基本特征：第一，層級性特征。層級加深不僅是深度學習誕生的標志，而且是其區別于其他機器學習類型的本質差別。淺度學習有維度淺、線性強的局限，只能采用分段學習的方式，而深度學習則采用端到端的學習方式，即具有點對點的精確性優勢，學習的準確度更高。第二，算法性特征。深度神經網絡的作用蘊含于各種深度學習算法之中，目前常見的算法包括前饋神經網絡、反饋神經網絡、自編碼器、卷積神經網絡、遞歸神經網絡等，這些算法為當前的計算機視覺、文字處理等技術提供了支撐。第三，深度性特征。深度學習具有多維度、可抽象特征。人類熟知的維度有二維、三維和四維，其是能在平面、立體空間等不同情景下切換思考的維度，人類智能正是通過思維的立體抽象和高維度邏輯訓練體現出來的。深度性特征決定了機器具備擴展維度的能力，具備學習人類抽象思維能力的可能。第四，數據性特征。相比淺度學習，深度學習具有兩方面優勢：一是數據量變穩定性，二是數據處理結構化。深度學習不僅能處理更多數據而且能夠保持提取數據特征的普遍性和一致性。這保證了數據提取和處理的穩定性，而且實現了數據處理的結構化，甚至可以實現處理圖像、視頻等非結構化數據。第五，工程性特征。它指從原始數據提取出最大限度的能表征原始數據信息的工程性特征，主要針對深度學習表征信息的能力而言，表現機器捕捉、處理信息的能力。第六，結構性特征。它是指深度學習算法和模型結構的優化，主要表現在兩個方面：一是相比于特征提取，更加強調逐層特征變換和從特征中提取原始數據樣本，從而靈活地將數據或模型運用到其他條件和情景中，提高算法和模型的遷移學習能力；二是能夠全面深入地挖掘數據背后的大量隱性可用信息，揭示數據所蘊含的隱藏價值，達到數據開源和重新利用。

上述6 個特征表現了深度學習的獨特優勢和強大功能。相較于淺度學習，深度學習增強了機器學習人類感官能力、智能抽象思維的可能，例如，1989 年誕生的卷積神經網絡（CNN，Convolutional Neural Network），應用于計算機視覺和自然語言處理，延伸了人的感官與學習能力。1990年出現的遞歸神經網絡（Recurrent Neural Network，RNN），不斷賦予了機器學習“記憶能力”，為人類研發語音轉文本技術奠定了基礎。據麥肯錫公司的一項報告分析，深度學習在圖像識別方面可以將淺度學習的錯誤率降低41%，在面部識別方面可以降低27%，在語音識別方面可以降低25%[3]。深度學習在獲取“視覺”“聽覺”“感知”等能力上取得了重大進展，進一步增強了機器學習的“智能化”。但我們必須清楚地意識到，深度學習并不是自然發生的，其是人類智慧的結晶，反過來對人類社會產生深刻影響。這種影響從整體上改變著人類社會面貌，并且已經逐步滲透到人的認識能力和思維模式中，改變著人類的認知學習方式。深度學習的出現帶來了機器學習在學習能力和學習模式上的新突破，提高了人工智能的智能化水平并擴大了其技術應用，推進了人類社會智能化進程。人工智能有著能夠優化人類學習活動的積極性，同時也可能加劇人對機器的依賴。我們如何看待這一現象以及如何促使其向好的方向發展呢？不妨首先思考深度學習與人類學習之間的相互作用，探究其為什么能夠影響人類學習以及如何影響人類學習，以便為增強人類學習和認知能力提供啟示。

二、深度學習與人類學習的共通互鑒

深度學習起源于人類對生物神經網絡的模仿，最終目標在于實現機器學習和模擬人類智能。同時，這種模擬學習反向啟迪和訓練人對自我的重新認知。機器學習人類的感知功能和邏輯思維能力，尤其是一直力圖模仿人腦的組織構成與運行機理，這種共通和互鑒的關系決定了研究深度學習和人類學習的異同有助于探索人腦思維和人類智能的奧秘。深度學習與人類學習二者彼此影響，為人類學習提供啟示，下面分別剖析深度學習和人類學習二者的共通與互鑒。

（一）深度學習與人類學習的共通

深度學習和人類學習本質上都是學習，深度學習本身緣起于人類智能，二者殊途同歸[4]，都旨在提高智能化水平和能力。要了解深度學習與人類學習的相互作用，首先要回答深度學習為什么能夠影響人類學習，認識這一問題需把握二者特征。理解深度學習對人類學習的影響前提是以人類學習為參照物，明晰其允許深度學習影響的范圍和路徑。人類學習具有下述3 個特征：一是人類學習的主要機能源于人腦，人腦是使人類學習完全不同于深度學習的根本標志。二是人類學習活動的運行機理離不開人腦、身軀、組織器官等的系統作用。三是人類學習具有多樣性和靈活性。人類學習能夠為深度學習提供學習對象和參照標準，相對于深度學習，人類學習更具有靈活性和高度抽象性，尤其是在思維邏輯方面有著深度學習難以企及的優勢。盡管深度學習在計算機視覺、語音識別等方面與人類學習相通，但相比于人類智慧和人類學習的綜合應用能力還有巨大的提升空間。人類學習能夠不斷為深度學習提供可供學習的神經網絡模型、學習算法模型、抽象思維模型等，豐富深度學習的學習內容與方式。反過來，深度學習的新特征說明其與人類學習在組織構成、學習機能等方面存在以下幾個融通點：

第一，二者都需要組織構成的支撐。人腦是區別人類學習和機器學習的重要標志，人腦神經結構對記憶、理解、整合功能具有重要作用。思維作為人腦獨有的產物，直接影響人類認識方式和學習模式[5]。深度學習會引發人們思考人腦神經網絡模擬和研究的新方法，推動腦科學的發展，從而幫助我們解剖和分析人類學習活動的不同環節，探究人腦神經結構的運行機理，為增強人的學習能力提供更多可能。第二，二者都離不開機體整體的系統作用。人類由有機物構成，機器由無機物構成。相較于深度學習，人類學習是一個復雜有機體的活動過程，不僅依賴于人腦的特殊構造，還深受身體感官機能的影響[6]，深度學習依賴于設備、程序、數據等基本要素的共同作用。人類學習的過程是人體與世界耦合的過程，要探索人類學習是如何進行的，必須把握好在具身認知條件下人類是如何進行學習的[7]，即從人類學習活動的實踐展開過程中把握人類學習。深度學習可以被剖析還原為不同的算法、編程等獨立單元，基于層級性、深度性、工程性等特征帶來的量化分解功能，為梳理人體感官如何作用于人類學習提供了參照。第三，二者都以執行任務為學習實踐方式。深度學習以硬件設施形式進行學習，豐富著學習方式和模式。人類學習更加多樣靈活，在具體的學習活動中體現為任務完成的綜合性。這是因為勞動賦予人類學習兩種性質：永久可塑性與多元一體性。前者使得人類學習能夠無止境地進行下去，并且不會重復，反而會不斷創新創造，后者決定了人類學習是綜合性學習，具有同時同步完成多項任務的能力，如同一個裝了永動機的并行處理器。雖然深度學習目前尚只能完成獨立任務，但隨著對人類模擬的深化，未來可能能夠完成通用性綜合任務。

（二）深度學習與人類學習的互鑒

深度學習和人類學習各有其局限性。深度學習并非完全準確可靠的，雖不像人的學習那樣易受到外部條件的干擾，但也會受到操作失誤、誤差等因素的影響，出現學習效果失真和錯誤。同樣，人類學習具有條件性，會受到社會環境、個體受教育程度等內外部力量的多種影響。這就促使深度學習和人類學習的共通借鑒成為可能甚至必然。深度學習影響人類學習方式主要有兩個方面：一是影響人類的學習活動，二是影響人類對人腦思維模式變化的理解。

其一，深度學習影響人類學習活動包括對人類學習對象、方式、目標等的作用。一方面，深度學習的出現將數據和信息的重要性提到了新的高度，使人們更加重視數據和信息的掌握與處理能力，學習相關技能成了大數據時代人類學習的重要內容。那么，如何才能發揮、保護和開發好數據信息資源，這要求人類在進行學習時，既要掌握與搭建促進數據流通和互動的技術與環境，又要學習建構對個體隱私的保護機制。這無疑是信息時代下深度學習為人類學習提出的新課題。另一方面，深度學習的技術攻關要求人類不斷加大對自身理論學習能力和實踐能力的研究力度。人類學習的目標除了提高自身科學文化素養、思想道德水平之外，更需要提高人們善于利用電子設備的能力與水平，學會人機和諧共處已成為人類學習的新課題和發展方向。此外，深度學習還深刻影響和改變著人類的學習方式，有助于發現人類學習的更多未知，挖掘更多可開拓的學習空間。當前已研究發明出一種可以模仿人腦可塑性的計算設備，這種設備開發出了一種能模仿生物突觸關鍵功能的有機塑料晶體管[8]，將其植入機器或電子設備中能夠極大地提高機器學習的智能性，從而幫助人類取得研究人腦學習活動的新突破。例如，隨著計算機科學出現的思維導圖，就為人類研究人腦學習機制和邏輯建構提供了直觀的量化圖，為促進教育教學提供了可靠方法。

其二，深度學習影響人類思維模式變化。這種影響主要包括三個方面：第一，深度學習促使人腦學習從突出記憶理解到強調高維度邏輯建構，成了輔助人類記憶理解的有力工具。傳統的人類學習更加依賴于記憶和理解的共同作用，從而構建起高維度的抽象邏輯架構，知識記憶是人類傳統學習方式的重要內容。但記憶具有很多局限性，例如，對語言交流來說，如果一個人只是零零碎碎地聽到自己和他人所講的話，靠記憶來填補這中間的缺失，那是很難獲取全部信息的。深度學習的出現彌補了人類記憶的局限，使人們從重視知識記憶轉向更加重視邏輯思維建構。但這并不是說人類學習要忽視記憶能力，而是說在教學與學習中應重視將更多時間和精力投入到對邏輯思維的研究和搭建上。第二，深度學習豐富了人類對自身學習方式和認知模式的認識。人類思維具有判斷、分析、歸納等能力，但在不同情景和不同外力作用下，人類思維的邏輯性和認知模式往往并不是條理明晰的。而深度學習正不斷實現的高維度抽象、邏輯量化（如思維導圖）等功能正解決著人類學習在這方面的障礙。第三，深度學習的出現開拓了人類思維的邏輯起點，豐富了人類的思維模式，擴充了教學與學習的手段。深度學習的綜合分析和抗干擾執行能力優勢啟發人們提出了一種新假設，即三支決策，幫助人類構建影響決策的多種預測模型。三支決策理論基于接受、拒絕和不承諾的概念構建，在常用的二元決策模型的擴展基礎上增加了第三個選項[9]，讓人們在決策前有了更多思考的余地。這使得人類的學習與決策更加注重依靠概率性。

綜上分析可以看到人類學習與深度學習是共通互鑒的。這種相互作用帶來了兩方面影響：一是深度學習帶來的各項技術正不斷解放著人類勞動，讓人們有更多時間和精力去從事更加追求幸福的事業。例如，自動駕駛技術減輕了人們開停車的壓力，基于深度學習的腦成像技術幫助人類觀察不同腦區域的功能及相互作用[10]，從而促進了人腦學習活躍過程的研究。二是深度學習帶來的體力解放一定程度上刺激了人對機器的依賴性，人們更加愿意將一些繁重的任務交給機器完成。深度學習對人類學習的影響表現主要是積極的和進步的，但也潛藏著風險和未知，因此應采取合理客觀的態度面對深度學習。對此，進一步剖析深度學習對人類學習的鏡鑒作用，探究其對人類學習的啟示，有助于發現增強人類學習、融合現代技術促進教育教學效果提高的方法。

三、深度學習對人類學習活動的啟示

深度學習帶來的新突破推動人工智能朝著通用人工智能發展，與人類學習的共通互鑒激發了人類對學習活動的更多思考。人能夠借助外部環境、條件支持開發無窮創造力，利用條件、規律達到干預或者發明新事物的目的，這就是人的“特異功能”。不可否認，至少對腦科學來說，人類還未能完全揭開人腦邏輯運行的面紗。在歷史的長河中，人類在腦科學方面已經取得很多成果，但取得每一次進步性的突破都很艱難。因為人類學習在不同階段受到的限制普遍具有條件性，例如，都面臨著記憶障礙、海量數據分析困難、學習精準度較弱等。深度學習的出現為應對這些障礙提供了很多啟示和方法，在破解思維奧秘、進一步促進教育、推進人類學習上發揮了重要作用。

（一）從重視知識記憶轉向重視邏輯訓練

深度學習正改變著人類的認識方式和思維模式，在輔助提升人類認知和記憶能力的同時，啟發人們重視訓練思維方式和深化抽象邏輯。人類思維遵循由簡單到復雜、由具體到抽象、由微觀到宏觀的規律，深度學習輔助人類思維實現從具象到抽象的升華，從淺層認知能力向深層邏輯訓練發展，推動認識層次不斷深化[11]。這一方面體現在計算機科學催生的思維導圖訓練方式，例如，流程圖和層級結構圖能夠直觀明晰地幫助厘清事物的順序與結構，有助于人類梳理和明晰自身的邏輯路徑，另一方面體現在深度學習能夠提高人類學習方法的科學性與規律性，從而增強人類學習的邏輯性。人類學習的思維包括創造性學習思維、邏輯思維、系統思維等不同模式，邏輯思維是人類學習思維的基本方式和根基，增強思維的邏輯性是提高人類學習思維和系統學習能力的重要途徑。深度學習通過智能聯結與分析能夠量化和還原人類學習的步驟與環節，方便人們從中發現拓展人類學習能力的突破口。人類學習進步和發展的動力來源于人類學習能力本身，深度學習能夠充當揭示和彌補人類學習局限性工具的一個重要原因在于人類學習和深度學習的本質都是學習，前者依靠人腦神經網絡和人體其他器官組織系統來實現，后者依靠計算機算法程序來實現。后者的可量化和可編程形式使人類有更多空間和能力投入重視思維邏輯的深化訓練之中，從而為增強人類的邏輯思維訓練提供可能。

當前，人類對人腦結構、人類學習活動已有了一定的了解與剖析，但對人腦結構和組成的結構尚處于探索階段，對于人腦學習機制究竟是如何展開以及人類學習運行過程尚缺少明晰的答案。人類強大的學習能力并不是一開始就有的，從人類群體來看，人類誕生之初，并沒有出現智人而是原始人類；從人類個體來看，個體一出生并不具有學習能力，與其說嬰兒能學習不如說其會模仿。無論是群體還是個體，人類的學習能力都是從無到有、從弱到強，因此，教育歷來是人類增強學習能力的重要基石。深度學習的出現正導向人類從重視知識記憶轉向重視邏輯訓練。但是，這并不意味著人類學習要放棄或取消知識記憶和理解，相反，如果沒有記憶和理解，人類學習是無法進入到邏輯建構階段的。深度學習憑借自身的深層級性、工程性等特征不斷訓練和培養抽象思維能力，盡管這一活動并不是自發的，但得益于人類開發和啟動的訓練使機器學習成為可能。正是人按照人類智能的模式和模型建構賦予機器智能，再現了人類智能并促進了對人本身的研究，才使得人的學習和教育成為連續不斷的過程。如今，在深度學習獨特優勢的助力下，人類在思維訓練層面正由重視知識記憶階段向重視深層邏輯訓練邁進。

（二）增加人類學習內容和方式的多樣性

其一，深度學習豐富了人類學習對象和內容。大數據時代計算機技術的發展使得信息和數據成為了新形式的“黃金”。對電腦來說，沒有數據和信息就相當于沒有學習對象，數據信息是深度學習的學習對象的基本元素。而對人腦來說，單純依靠數據和信息不一定能夠形成知識，人類學習活動的展開既需要獲取外界信息，也需要依靠人腦進行加工和處理，并且還需要通過實踐輔助記憶與理解?，F代計算機運行的底層邏輯是一種基于數字的二分法，即二進制邏輯[12]，而人類學習是一個非線性的綜合的復雜過程。雖然二分法也是人類思維的基本特點，但人類學習知識很難做到像計算機那樣嚴格將知識按照二分法邏輯被還原為不同的數據或量化符號。人類思維按照二分法運行，但人類學習活動卻并不嚴格遵循這種路徑，而是在理論與實踐的結合中因勢而變，并不依循非此即彼的路徑進行，人的思維往往在更多的選擇和學習中進行抉擇。深度學習使計算機的二分法底層邏輯更加顯著和明晰，這為人類明晰對自身學習活動的認識提供了鏡鑒。

其二，深度學習豐富了人類學習方式。人類學習會受到記憶、知覺、理解、判斷等多種因素的影響，記憶時間長短不同、理解能力深度不同、判斷出發點不同等都會影響個體的學習效果和自身采取的學習方式。人類的記憶有短時記憶與長期記憶之分，理解有直觀理解和抽象理解之分，分析有演繹和歸納之分，學習方法有全面性學習和重點性學習之分，深度學習的突破有助于發現這些區別背后的機理和促成因素，豐富人類對自身學習方式和認知模式的認識，從而幫助提高人類學習和教育水平。傳統人類學習在很大程度上是依靠記憶來獲取知識和技能的，但人腦記憶遵循記憶與遺忘規律，常常在記憶新事物的同時淡化對舊事物的記憶，難以突破記憶短時、反復等局限。深度學習的出現不僅能實現瞬時大量記憶，而且能對數據和信息實時處理，這方面的表現超越了人類，成為優勢。例如，現代智能設備的日程安排和導航等功能能幫助人類規劃和記憶最便捷行駛路徑，智能家居在固定時段按照事先設定的程序和限定對象清掃家具等，使人們擺脫繁瑣、反復而又意義不大的管理與記憶，從而投身于更自由、有意義的活動中。在教育領域中，深度學習在彌補人類學習局限性的同時也會豐富和優化人類學習方式，例如，思維導圖和個性化推薦服務有助于教師根據學生個體思維差異定制合適的學習方式。

其三，深度學習利于揭示人類學習面臨的問題。提高人類學習效果一方面需要積極發揮學習的主動性和創造性，另一方面也需要關注和破解可能阻礙學習的不利因素。深度學習有助于提醒在學習時有哪些方面可能面臨問題或遇到障礙，從而幫助人們解決不利因素以推進學習。例如，已有研究發現人腦組織中可能阻礙人類學習與認知的異常情況，提出了一種自動分析大腦數據和檢測認知功能異常的系統[13]，配合深度學習技術帶來的腦成像技術分割和檢測功能，能夠通過標識人腦成像的異常揭示人腦記憶和認知可能面臨的障礙。深度學習對學習問題的揭示和障礙推斷指出了人類在解決阻礙學習的不利因素中可能的突破點，為推動教育發展提供了技術手段。

（三）尋找拓寬思維的新起點

人類學習包括知識型學習和技能型實踐。在普遍意義上，人們并不會過多關注學習本身，而是注重提升學習能力和拓展學習方法。深度學習的出現啟示人們要關注學習本身，關注學習規律和蘊含的邏輯可能性；啟示人類反觀自身學習思維的起點，從學習本身原則和規律出發拓寬學習可能性；啟示人們開拓視野，建構更多符合人類學習規律的學習方法和體系，只有這樣，才能進一步探索人類智能的奧秘。深度學習拓寬人類學習的思維起點、豐富人類學習模式和規則，主要表現在從確定性向可能性或概率性的轉變。但這僅僅是當前深度學習初步顯露出來的影響，未來其影響必定會加深和擴大?？梢灶A測的是，深度學習無論從宏觀上作用于人類社會還是從微觀上影響人類學習，都彰顯了巨大的發展潛力和廣闊的應用前景。深度學習啟發人類學習要積極拓寬思維起點，即擴展思維廣度，主要體現在以下兩個方面：

一是深度學習啟發了人類學習擴充影響決策的原則。深度學習能解決不確定、模糊、動態復雜的海量數據的決策支持性問題。它利用穩定量化的數據形式和算法以及程序完成綜合性的預測與決策，能夠彌補人類學習在決策時受到眾多動態因素的影響和猶豫而導致的風險。深度學習一般依靠相關性和概率性進行決策，推動人類在學習活動中決策原則的轉變。對人類學習而言，無論是制造一部機器還是為機器編程，都要么使其具有完成某類行為的統計傾向而又不排斥其他行為的可能性，要么就把它的動作的某些特征嚴格不變地決定下來，前者是選擇性的，后者是限制性的[14]，即要么會為其留出足夠的空間讓其自行反饋調整到合適的尺度，要么會限制機器的任務和方法范圍以使其按照我們預想和既定的目標和路徑運行。而對深度學習而言，人將智能賦予機器以后，機器就會按照計算機算法算力的規則進行符合新規律的運行，這不同于人類學習的既定理性路線。因而，深度學習遵循的概率性和相關性原則就可以為人類思維提供新思路和決策方案的新切入點。這種思維寬度的擴展遷移到學習與教育中，能夠使人們在學習和教育的過程中及時糾錯，幫助制定個性化的學習方法。

二是深度學習擴展了人類在思考如何活動時的依據。過去人們在選擇學習的目標和方法時會朝著確定有利的結果進行，往往依靠確定性決定行動。深度學習啟發人們要更多依靠統計學上的相關性或概率性來決策。是否做某事的綜合考量應更多考慮成功的概率有多大，而不是一味追問結果究竟是成功還是失敗這種單一確定性。以往人們可能更在意完全確定的認識，而現在深度學習并不以百分之百的確定性為原則，而是以權重賦值，以可能性決定思考方式。深度學習的賦值就是概率性學習，哪種可能性大，深度學習的結果就落腳于這種選擇。例如，要發現一個人易出現在哪兒，深度學習會尋找他經常出現的地方，而不是搜索他的常駐地，經常出現的概率包括固定出現的概率。因此，人類學習可以仿照深度學習在認知邏輯起點上取得突破--從唯一確定性向概率性轉變。思維邏輯的起點從確定性轉向概率性，可以促進人類開發出更多能激發自身潛能的方式與手段，擴展人類認知領域、改變思維邏輯的方向。盡管深度學習已經為人類學習提供了很多有價值的啟示，但也為人類提出了很多新問題，例如算法黑箱，即我們很難去解釋和理解機器的選擇和決策，以及算法倫理問題等，其涉及的眾多法律道德問題是人類在處理人機關系中必須面對的問題。

在某些方面，可以看到深度學習已經對人腦思維模式產生了重要作用，能夠促進人類更好地理解自身的學習能力，幫助人們從更多方面開拓思維認知。雖然深度學習相比人類學習在許多方面通用性不強，但并不因此而遜色于人類學習。機器沒有復雜有機體的綜合生物機能和構成，單一的物理機械機制簡化了深度學習的影響因子，使機器不易受到復雜環境的干擾，能取得更加精確、即時、全面的學習結果，在人類學習無法完成的對精度要求和時效性要求都高的任務領地發揮著獨一無二的作用。同時，在人類學習無法觸及或者難以量化的任務中，它能彌補人類學習的不足。例如，人類至今未能完全破解出人類在學習過程中大腦的運作過程，未能明確解答思維邏輯是否具有層級性等問題，深度學習的出現有助于解答這一問題。從長遠來看，深度學習在增進人類深層邏輯思維訓練以及拓寬思維起點方面能激發人類更多思考，豐富人類學習的多樣性，拓展人類學習能力。

總之，機器學習作為實現人工智能的手段，已經發展到深度學習新階段，對人類社會和人類學習產生了深刻影響。人類智能通過深度學習得到了進一步再現與增強，必須深刻認識深度學習的特征和應用價值及它與人類學習形成的共通互鑒的關系。深度學習解決了眾多淺度學習面臨的困難，但也面臨著標記數據困難、設備成本高、難以完成通用性任務等問題[15]，還需要從更多角度，全方位、大眾化地推進深度學習的研發與應用。依托深度學習的鏡鑒，人類學習能夠從中得到諸多啟示。按照“互聯網+”模式，在學習教育方面，人們可以積極探索“深度學習+”模式，將深度學習對人類學習帶來的啟示融匯到教育教學中，促進人的學習能力、個體個性化學習方式、教育教學方法的提升，更好地以信息化手段提高人類學習和教育能力。認清技術發展的現狀和規律、認識深度學習巨大的發展潛力和廣闊的應用前景。未來，深度學習將不斷增強自身的性能，更廣泛地影響人類社會并更深入地嵌入到人類學習活動中。